VeterisJobs
Descripción
El investigador formará parte del equipo de inteligencia artificial de la empresa, contribuyendo al diseño, desarrollo y evaluación de soluciones basadas en esta tecnología aplicadas a diversos sectores como industria, salud, finanzas y sector público. Las principales responsabilidades incluyen la participación en proyectos de investigación aplicada, lo que implica el diseño de modelos de machine learning y deep learning para resolver problemas reales en distintos ámbitos industriales y de servicios. Esto conlleva el desarrollo y validación de modelos supervisados y no supervisados, aplicando técnicas avanzadas como redes neuronales, transformers, procesamiento de lenguaje natural, series temporales, sistemas de recomendación y visión por computador según los requisitos específicos de cada proyecto. Además, se implementarán pipelines de datos para garantizar un flujo eficiente de información, junto con análisis exploratorio de datos para generar insights accionables que impulsen el éxito de las iniciativas en curso.El rol requiere una colaboración estrecha en la evaluación crítica de resultados, ajuste de hiperparámetros y mejora continua de modelos mediante técnicas como validación cruzada y métodos de ensemble. Esto asegura que los desarrollos sean robustos y se alineen con los objetivos establecidos. Paralelamente, se redactará documentación técnica, entregables de proyecto e informes de investigación, brindando apoyo en la elaboración de artículos científicos y presentaciones para convocatorias de innovación. Es fundamental mantener un seguimiento activo de las tendencias del estado del arte en inteligencia artificial aplicada, incorporando avances relevantes a los proyectos del área para fomentar la innovación y competitividad.
Las tecnologías y herramientas clave incluyen lenguajes como Python a nivel avanzado y SQL, junto con librerías especializadas en machine learning y deep learning como scikit-learn, TensorFlow o PyTorch, pandas y numpy. Para visualización y análisis, se utilizan matplotlib, seaborn y plotly, mientras que la gestión de experimentos se apoya en plataformas como MLflow o Weights & Biases. Los entornos de desarrollo incluyen Jupyter Notebook y VS Code, con control de versiones mediante Git/GitHub. En bases de datos, se manejan sistemas SQL como PostgreSQL o MySQL, junto con nociones de NoSQL. Habilidades opcionales en procesamiento de lenguaje natural, modelos de lenguaje grandes, MLOps y despliegue son valoradas para ampliar las capacidades del equipo.